以下是github 库的README, 原理的话很多csdn大佬已经清楚了，这里只给出实现代码：
地址：GMM-miaogen
课程的多媒体作业，填坑
题目描述：
用录音宝录下3到5个人的谱音每一个，每个人10s到20s，建立GMM声纹识别模板，设置场景–声纹模板内的所有人交替讨论一个话题，大约2分钟，用GMM模型分割识别讲话人的身份。并统计时间。
思路：通过提取音频原本的语音特征形成一个集(聚类)以后，对后来的数据进行概率判断，类似于之前的大作业使用的annoy库中kmeans实现，kmeans利用的是距离，而GMM这里使用的是概率，前者中的K和GMM中Ncomponent也是类似的。
程序流程如下图所示：
程序结果：
USAGE:
在sapmle文件夹中放入样本文件，修改main 中的files对应的文件名和对应的name(上一行), 并且在文件夹下 放入被测试文件，修改beTestFile文件，就可以运行了
总结：在这个实验过程中，训练的时间占比并不是很大，占大头的是GMM 的打分过程，这个过程中，需要对每一段音频，都分别打分并比较，是一个O(n2)的过程，这个过程应该可以进行优化形成log(n)的比较过程，思路与annoy建树类似，通过对产生的GMM模型进行聚类，然后输入被测试数据的GMM，进行比较。
在测试的过程中，发现录音的环境还是很重要的，其中有两个录音样本的质量不好，导致判别出错。一个录音样本，离麦克风比较远，声音比较小，另一个就是第一个测试结果出错的那个样本，环境音很杂。
有点不足的地方：这次的实验样本有点少，并不能充分的说明程序的正确性。